Apakah mobil self-driving menggunakan keacakan untuk membuat keputusan?

12

Baru-baru ini saya mendengar seseorang membuat pernyataan bahwa ketika Anda merancang mobil yang bisa menyetir sendiri, Anda tidak membangun mobil tetapi benar-benar seorang pengemudi yang terkomputerisasi, jadi Anda mencoba membuat model pikiran manusia - setidaknya bagian dari pikiran manusia yang bisa mengemudi.

Karena manusia tidak dapat diprediksi, atau lebih tepatnya karena tindakan mereka bergantung pada begitu banyak faktor, beberapa di antaranya akan tetap tidak dapat dijelaskan untuk waktu yang lama, bagaimana mobil self-driving akan mencerminkan hal itu, jika mereka melakukannya?

Dosis tak terduga dapat digunakan. Jika, katakanlah, dua mobil self-driving berada di jalan buntu, mungkin lebih baik untuk menyuntikkan beberapa keacakan daripada mungkin melihat tindakan yang sama diterapkan pada saat yang sama jika mobil menjalankan sistem yang sama.

Tetapi, di sisi lain, kita tahu bahwa non-deterministik tidak bersahabat dengan pengembangan perangkat lunak, terutama dalam pengujian. Bagaimana para insinyur dapat mengendalikannya dan mempertimbangkannya?

guillaume31
sumber

Jawaban:

2

Prioritas Mengemudi

Ketika mempertimbangkan jenis pemodelan yang diperlukan untuk membuat kendaraan otonom yang andal dan aman, kriteria keselamatan dan kemanjuran mengemudi berikut ini harus dipertimbangkan, didaftarkan dalam prioritas dengan yang paling penting terlebih dahulu.

  • Keselamatan mereka yang berada di dalam kendaraan dan di luar kendaraan
  • Pengurangan aus pada penumpang
  • Keamanan properti
  • Kedatangan di tujuan yang diberikan
  • Pengurangan aus pada kendaraan
  • Penghematan sumber daya bahan bakar
  • Keadilan untuk kendaraan lain
  • Hemat waktu

Ini dipesan dengan cara yang masuk akal secara sipil dan global, tetapi itu bukan prioritas yang ditunjukkan oleh pengemudi manusia.

Salin Manusia atau Evaluasi Kembali dan Desain dari Awal?

Siapa pun yang mengatakan bahwa tujuan desain mobil otonom adalah untuk memodelkan bagian dari pikiran manusia yang dapat dikendarai seharusnya tidak merancang mobil otonom untuk pembuatan yang sebenarnya. Telah diketahui bahwa sebagian besar manusia, walaupun mereka mungkin pernah mendengar tentang tip keselamatan berikut, tidak dapat membawa mereka ke dalam kesadaran dengan kecepatan yang cukup untuk mengambil manfaat dari mereka dalam pengaturan mengemudi yang sebenarnya.

  • Ketika ban tergelincir ke samping, arahkan ke selip.
  • Ketika selip maju dimulai, pompa istirahat.
  • Jika seseorang langsung menuju bagian belakang mobil Anda, segera akselerasi dan kemudian istirahat.
  • Di jalan, percepat agar sesuai dengan kecepatan mobil di jalur tempat Anda bergabung, kecuali tidak ada ruang untuk bergabung.
  • Jika Anda melihat sepetak es, putar lurus dan tidak mempercepat atau melambat begitu Anda mencapainya.

Banyak tabrakan antara lokomotif dan mobil karena lampu merah menyebabkan garis di banyak jalur melintasi rel. Seringkali, seseorang akan pindah ke jalur kereta api untuk mendapatkan panjang satu mobil di mobil lain. Ketika orang lain bergerak untuk membatalkan pilihan itu menjadi masalah, risiko serius muncul.

Betapa absurdnya perilaku ini bagi siapa pun yang menonton, banyak kematian terjadi ketika lokomotif 2.000 ton melaju kencang yang terasa seperti bintik debu bagi penumpang kereta.

Prediktabilitas dan Kemampuan Beradaptasi

Manusia tidak dapat diprediksi, seperti yang ditunjukkan dalam pertanyaan, tetapi meskipun kemampuan beradaptasi mungkin tidak dapat diprediksi, kemampuan tidak dapat diprediksi mungkin tidak adaptif. Ini adalah kemampuan beradaptasi yang diperlukan, dan dibutuhkan dalam lima cara utama.

  • Adaptif saat ini untuk kejutan
  • Adaptif melalui pengalaman berkendara umum
  • Adaptif untuk mobil tertentu
  • Adaptif terhadap ekspresi penumpang
  • Adaptif untuk wilayah peta tertentu

Selain itu, mengendarai mobil adalah

  • Sangat mekanik,
  • Visual,
  • Pendengaran,
  • Berorientasi pada rencana
  • Geografis, dan
  • Terlebih Dahulu dalam situasi kejutan.

Memodelkan Kompleksitas Mengemudi

Ini membutuhkan model atau model yang terdiri dari beberapa jenis objek.

  • Peta
  • Kendaraan
  • Niat penumpang
  • Kendaraan lain
  • Penghalang lainnya
  • Pejalan kaki
  • Binatang
  • Perlintasan
  • Sinyal lalu lintas
  • Tanda-tanda jalan
  • Sisi jalan

Baik Misteri maupun Ketidakpastian

Meskipun model-model ini secara kognitif didekati dalam otak manusia, seberapa baik mereka dimodelkan dan seberapa efektif model-model itu dalam mencapai sesuatu yang mendekati keseimbangan yang masuk akal dari prioritas di atas bervariasi dari pengemudi ke pengemudi, dan bervariasi dari perjalanan ke perjalanan untuk pengemudi yang sama. .

Namun, serumit mengemudi, tidak misterius. Masing-masing model di atas mudah untuk dipertimbangkan pada tingkat tinggi dalam hal bagaimana mereka berinteraksi dan sifat mekanis dan probabilistik apa yang mereka miliki. Detailing ini adalah tugas yang sangat besar, dan membuat sistem bekerja dengan andal adalah tantangan teknik yang signifikan, selain pertanyaan pelatihan.

Tidak Terelakkannya Prestasi

Terlepas dari kerumitannya, karena ekonomi yang terlibat dan fakta bahwa sebagian besar merupakan masalah mekanika, probabilitas, dan pengenalan pola, itu akan dilakukan, dan pada akhirnya akan dilakukan dengan baik.

Ketika itu, tidak seperti kedengarannya bagi orang yang menerima budaya kita saat ini sebagai permanen, mengemudi manusia dapat menjadi ilegal di abad ini di beberapa yurisdiksi. Setiap analis lalu lintas dapat memasang banyak bukti bahwa kebanyakan manusia tidak memiliki perlengkapan untuk menggerakkan mesin yang beratnya satu ton pada kecepatan yang sama. Perizinan pengemudi tidak profesional hanya menjadi diterima secara luas karena desakan publik pada kenyamanan dan kenyamanan transportasi dan karena ekonomi tenaga kerja memerlukannya.

Mobil otonom mungkin mencerminkan kemampuan manusia yang terbaik, tetapi kemungkinan akan jauh melebihi kemampuannya karena, meskipun objek dalam model ini kompleks, sebagian besar dapat diprediksi, dengan pengecualian khusus anak-anak yang bermain. Teknologi AV akan menggunakan solusi standar untuk ini. Seluruh skenario dapat dibawa ke gerakan lambat untuk beradaptasi untuk anak-anak bermain hanya dengan memperlambat jalan. Komponen AI yang secara khusus mendeteksi anak-anak dan anjing kemungkinan akan segera muncul, jika belum ada.

Keserampangan

Keacakan penting dalam pelatihan. Sebagai contoh, seorang pembalap mobil akan dengan sengaja membuat berbagai jenis skid untuk membiasakan diri dengan cara mengendalikannya. Dalam pembelajaran mesin kami melihat beberapa gangguan acak pseudo diperkenalkan selama pelatihan untuk memastikan bahwa proses gradient descent tidak terperangkap dalam minimum lokal tetapi lebih cenderung menemukan minimum global (optimal).

Jalan buntu

Pertanyaannya benar dalam menyatakan bahwa, "Dosis tak terduga dapat digunakan." Skenario kebuntuan adalah yang menarik, tetapi tidak mungkin terjadi ketika standar berkembang. Ketika empat pengemudi berhenti pada saat yang bersamaan, mereka benar-benar tidak berhenti. Sepertinya mereka melakukannya. Kemungkinan tidak ada dari mereka yang datang lebih dari satu milidetik sebelum yang lain kecil secara astronomis.

Orang tidak akan mendeteksi (atau bahkan cukup jujur) untuk membedakan perbedaan waktu yang kecil ini, jadi biasanya orang yang paling ramah melambaikan yang lain, dan mungkin ada jalan buntu di sana, yang bisa menjadi lucu, terutama karena semua dari mereka benar-benar ingin bergerak. Kendaraan otonom akan sangat jarang menemui jalan buntu yang tidak tercakup oleh buku peraturan yang diterbitkan entitas lisensi pemerintah, yang dapat diprogram sebagai aturan mengemudi ke dalam sistem.

Pada kesempatan langka itu, kendaraan dapat menarik undian secara digital, seperti yang disarankan, yang merupakan satu tempat di mana ketidakpastian dapat diadaptasi. Melakukan eksperimen selip seperti pengemudi mobil balap di Main Street pada tengah malam mungkin merupakan hal yang mungkin dilakukan oleh beberapa remaja mabuk, tetapi itu adalah bentuk ketidakpastian yang tidak adaptif terhadap pemesanan yang masuk akal dari prioritas mengemudi. Tidak ada yang mengirim pesan teks atau mencoba makan dan mengemudi.

Determinisme

Mengenai determinisme, dalam konteks penggunaan yang dibahas, jumlah bilangan pseudo-acak dari distribusi tertentu akan cukup.

  • Deadlock release atau
  • Pelatihan mempercepat dan meningkatkan keandalan ketika ada minimum lokal yang bukan minimum global selama optimasi,

Tes fungsional dan teknologi unit testing tidak hanya mampu menangani pengujian komponen dengan pseudo-randomness, tetapi mereka terkadang menggunakan pseudo-randomness untuk memberikan cakupan pengujian yang lebih baik. Kunci untuk melakukan ini dengan baik adalah memahami probabilitas dan statistik, dan beberapa insinyur dan perancang AI memahami dengan baik.

Elemen Kejutan

Di mana keacakan adalah yang paling penting dalam teknologi AV bukan dalam pengambilan keputusan tetapi dalam kejutan. Itulah tepi pendarahan dari pekerjaan teknik itu hari ini. Bagaimana seseorang bisa berkendara dengan aman ketika skenario yang sama sekali baru muncul di saluran audio atau visual? Ini mungkin tempat di mana keragaman pemikiran manusia mungkin paling ahli, tetapi pada kecepatan jalan raya, biasanya terlalu lambat untuk bereaksi dalam cara yang kita lihat dalam adegan mengejar film.

Korelasi Antara Risiko dan Kecepatan

Ini memunculkan interaksi yang menarik dari faktor-faktor risiko. Diasumsikan bahwa kecepatan yang lebih tinggi lebih berbahaya, mekanika dan kemungkinan yang sebenarnya tidak begitu jelas. Kecepatan rendah menghasilkan perjalanan sementara lebih lama dan kepadatan lalu lintas yang lebih tinggi. Beberapa bentuk kecelakaan kurang memungkinkan pada kecepatan yang lebih tinggi, khususnya yang sebagian besar terkait dengan kepadatan lalu lintas atau kejadian. Bentuk lain lebih mungkin pada kecepatan yang lebih tinggi, khususnya yang terkait dengan waktu reaksi dan gesekan ban.

Dengan kendaraan otonom, selip ban mungkin dimodelkan dengan lebih akurat dan waktu reaksi dapat lebih cepat, sehingga batas kecepatan minimum mungkin lebih dipaksakan dan batas atas dapat meningkat begitu kita mengeluarkan manusia dari kursi pengemudi.

FauChristian
sumber
Terima kasih atas jawaban Anda! Poin tentang memodelkan driver yang terkomputerisasi diajukan di sini - ini bukan tentang meniru pikiran manusia dengan kekurangannya, tetapi lebih menekankan bahwa bagian sulit dari pekerjaan ini adalah membangun AI, bukan mobil fisik. Ekstrapolasi dengan topik keacakan adalah milikku.
guillaume31
Sekitar 09:50: "Saya bahkan hampir tidak suka istilah 'self-driving car' karena itu menyiratkan bahwa mobil itu mengemudi. Saya pikir yang benar-benar kami coba untuk bangun adalah pengemudi yang terkomputerisasi. Dan kemudian Anda tidak anggap diri Anda seperti membangun mobil, Anda menganggap diri Anda sebagai manusia. "
guillaume31
@ guillaume31, Terima kasih atas pertanyaannya yang baik ... Meskipun saya mengerti apa yang ingin dikatakan oleh penulis kutipan, kutipan tersebut mengandung satu kesalahan konseptual per kalimat. ... Kalimat 1: AI dikemas di dalam mobil selama proses pembuatan, sehingga mobil dapat mengemudi. ... Kalimat 2: Istilah driver terkomputerisasi mengaburkan keinginan yang tidak diinginkan dalam memodelkan kecerdasan mengemudi setelah mengemudi manusia biasa. ... Kalimat 3: Kami tidak ingin robot duduk. ... Kutipan tersebut menggambarkan mengapa hanya 1 dari 1.000 dari perusahaan baru AI yang diperkirakan akan bertahan. Bagaimana mereka bisa mendesain dengan jelas jika mereka tidak bisa menulis dengan jelas?
FauChristian
2

Mobil mengemudi sendiri menerapkan Pembelajaran Penguatan dan pembelajaran Semi-Supervisi, ini memungkinkan mereka untuk lebih cocok untuk situasi yang tidak diantisipasi oleh pengembang.

Beberapa mobil sekarang menerapkan Swarm Intelligence , di mana mereka secara efektif belajar dari interaksi di antara mereka sendiri, yang juga dapat membantu dalam kasus transfer belajar.

Simbarashe Timothy Motsi
sumber